本文转载至http://www.importnew.com/22977.html
目的
Compressed Sparse Column Format (CSC)
的目的是为了压缩矩阵,减少矩阵存储所占用的空间。这很好理解,手法无非就是通过增加一些”元信息”来描述矩阵中的非零元素存储的位置(基于列),然后结合非零元素的值来表示矩阵。这样在一些场景下可以减少矩阵存储的空间。
Spark API
在Spark中我们一般创建这样的稀疏矩阵的API为:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
package
org.apache.spark.ml.linalg
/**
* Creates a column-major sparse matrix in Compressed Sparse Column (CSC) format.
*
* @param numRows number of rows
* @param numCols number of columns
* @param colPtrs the index corresponding to the start of a new column
* @param rowIndices the row index of the entry
* @param values non-zero matrix entries in column major
*/
@Since
(
"2.0.0"
)
def sparse(
numRows: Int,
numCols: Int,
colPtrs: Array[Int],
rowIndices: Array[Int],
values: Array[Double]): Matrix = {
new
SparseMatrix(numRows, numCols, colPtrs, rowIndices, values)
}
|
使用CSC格式表示稀疏矩阵
例如我们想创建一下如下的3×3的稀疏矩阵:
1
2
3
|
1
0
4
0
3
5
2
0
6
|
我们就可以使用上面的这个api:
1
2
3
4
5
6
7
8
9
10
|
import
org.apache.spark.ml.linalg.{Matrix,Matrices}
val sm: Matrix = Matrices.sparse(
3
,
3
, Array(
0
,
2
,
3
,
6
), Array(
0
,
2
,
1
,
0
,
1
,
2
), Array(
1.0
,
2.0
,
3.0
,
4.0
,
5.0
,
6.0
))
输出如下:
sm: org.apache.spark.ml.linalg.Matrix =
3
x
3
CSCMatrix
(
0
,
0
)
1.0
(
2
,
0
)
2.0
(
1
,
1
)
3.0
(
0
,
2
)
4.0
(
1
,
2
)
5.0
(
2
,
2
)
6.0
|
也就是说上面的3×3的矩阵,可以表示为下面3个数组:
1
2
3
|
Array(
0
,
2
,
3
,
6
)
Array(
0
,
2
,
1
,
0
,
1
,
2
)
Array(
1
,
2
,
3
,
4
,
5
,
6
)
|
说实话我第一次看到这个api的时候有点蒙。下面因为没太看懂上面三个Array中的第一个Array(0, 2, 3, 6)
是怎么的出来的。也翻看了比较权威的资料(本文最下方的参考资料),但是感觉说的比较不清楚,因此下面谈谈我是如何理解的。
我的理解
上面的3个Array:(为了便于书写我没有写1.0,而是直接写为1)
1
2
3
|
Array(
0
,
2
,
3
,
6
)
Array(
0
,
2
,
1
,
0
,
1
,
2
)
Array(
1
,
2
,
3
,
4
,
5
,
6
)
|
其中第三个Array很好理解。它的值就是按照列,依次按照顺序记录的矩阵中的非零值。
第二个Array也比较好理解,他表示的是每一列,非零元素所在的行号,行号从0开始。比如上面的矩阵中,第一列元素1在第0行,元素2在第2行。
至于第1个Array理解起来稍微麻烦一些。我的总结就是:
- 第一个Array的元素个数就是(矩阵的列数+1),也就是矩阵是3列,那么这个Array的个数就是4.
- 第一个元素一直是0。第二个元素是第一列的非零元素的数量
- 后续的值为前一个值 + 下一列非零元素的数量
上面的总结可能看起来比较模糊,根据上面的例子我来分析一下:
- 首先矩阵的3×3的,所以第一个Array会有4个元素。第一个元素是0。得到Array(0)。
- 矩阵第一列有2个非零元素,所以得到Array的第二个元素为2.得到Array(0, 2)
- 矩阵的第二列有1个非零元素,那么第三个元素的数量为当前Array的最后一个元素加1,也就是2 + 1=3. 得到Array(0,2, 3)
- 矩阵的第三列有3个非零元素,那么Array的最后一个元素的值为 3 + 3 = 6. 得到Array(0, 2, 3, 6)
验证例子
对于下面的这个3×3的矩阵:
1
2
3
|
1 0 2
0 0 3
4 5 6
|
我们可以得到3个Array为:
1
2
3
|
Array(
0
,
2
,
3
,
6
)
Array(
0
,
2
,
2
,
0
,
1
,
2
)
Array(
1
,
4
,
5
,
2
,
3
,
6
)
|
对于下面的矩阵:
1
2
3
|
9
0
0
8
0
6
|
我们可以得到3个Array来表示他:
1
2
3
|
Array(
0
,
1
,
3
)
Array(
0
,
1
,
2
)
Array(
9
,
8
,
6
)
|
对于下面的矩阵:
1
2
|
9
0
0
0
0
8
6
5
|
我们可以表示为:
1
2
3
|
Array(
0
,
1
,
2
,
3
,
4
)
Array(
0
,
1
,
1
,
1
)
Array(
9
,
8
,
6
,
5
)
|
根据CSC表示法,画出原始矩阵
上面展示了如何把稀疏矩阵使用CSC表示,那么反过来应该怎么操作呢,
假设有一个2×4的矩阵,他的CSC表示为:
1
2
3
|
Array(
0
,
1
,
2
,
3
,
4
)
Array(
0
,
1
,
1
,
1
)
Array(
9
,
8
,
6
,
5
)
|
我大致描述一下还原的过程:
- 首先我们知道是2×4的矩阵,并且第一个Array的第二个元素是1,而且后续的每一个元素都比前一个元素大1,说明每一列都只有1个非零元素。
- 根据第二个数组,我们可以知道只有第一列的非零元素在第一行,2,3,4列的非零元素都在第二行
- 根据第三个Array,我们就可以比较简单的画出原始矩阵。